حداقل از دهه‌ی ۱۹۷۰ میلادی تشخیص و درمان بیماری با هوش مصنوعی مرکز توجه بوده است.
به گزارش گرداب، در آن زمان دانشگاه استنفورد نخستین سیستم خبره‌ی موفق جهان با نام MYCIN را طراحی کرد که می‌توانست به پزشکان در تشخیص عفونت‌های باکتریایی از راه خون یاری رساند. این سیستم و دیگر سیستم‌های خبره‌ی مبتنی بر قوانین، نویدبخش تشخیص و درمان دقیق بیماری بودند، اما هیچگاه برای عمل بالینی مورد استفاده قرار نگرفتند.
این سیستم‌ها آنجور که باید بهتر از متخصص انسانی در تشخیص بیماری عمل نمی‌کردند و همچنین با روند کار پزشکان و سیستم‌های سوابق پزشکی هماهنگی نداشتند.
اخیراً هوش مصنوعی واتسون کمپانی IBM به دلیل تمرکز بر پزشکی دقیق، به ویژه تشخیص و درمان سرطان مورد توجه رسانه‌های قرار گرفته است. واتسون ترکیبی از قابلیت‌های یادگیری ماشین و پردازش زبان طبیعی (NLP) است. با این‌حال، اشتیاق اولیه برای استفاده از این فنآوری کمتر شده است.
دلیل این امر این است که مشتریان به دشواری تربیت واتسون برای شناخت انواع خاصی از سرطان و ادغام واتسون در فرایند‌ها و سیستم‌های مراقبتی پی برده‌اند. واتسون صرفاً محصولی واحد نیست؛ بلکه مجموعه‌ای از خدمات شناختی است که از طریق رابط برنامه‌نویسی نرم‌افزار (API) که شامل گفتار و زبان، بینایی و برنامه‌های تجزیه و تحلیل داده مبتنی بر یادگیری ماشین است، فراهم شده است.
بیشتر ناظران احساس می‌کنند که APIهای واتسون از نظر تکنیکی توانایی بالایی دارند، اما استفاده از آن برای درمان سرطان، هدفی بیش از حد بلندپروازانه است. همچنین واتسون و سایر برنامه‌های اختصاصی همواره در رقابت با برنامه‌های متن‌باز رایگان که توسط برخی از فروشندگان مانند تنسور فلوی گوگل فراهم شده است، در تنگنا قرار گرفته‌اند.
بسیاری از سازمان‌های خدمات درمانی با پیاده‌سازی هوش مصنوعی در فرایند‌های کاری‌شان دچار مشکل و سردرگمی می‌شوند. اگرچه سیستم‌های مبتنی بر قوانین در سیستم‌های پرونده الکترونیکی سلامت از جمله NHS گنجانیده شده‌اند، با این‌حال از دقت بیشتری نسبت به سیستم‌های الگوریتمی مبتنی بر یادگیری ماشین برخوردار نیستند. این سیستم‌های پشتیبانِ تصمیم‌گیریِ بالینیِ مبتنی بر قوانین نسبت به تغییرات دانش پزشکی منعطف نیستند و اغلب قادر به کنترل پراکندگی داده‌ها و دانش مبتنی بر ژنومیک، پروتئومیک، متابولیک و سایر رویکرد‌های اومیک-محور نیستند.
این وضعیت در حال تغییر است، اما بیشتر در آزمایشگاه‌های تحقیقاتی و شرکت‌های فنآوری و نه در درمان‌های بالینی. هر هفته آزمایشگاهی مدعی می‌شود که رویکردی برای استفاده از هوش مصنوعی با داده‌های فراوان ایجاد کرده است که می‌تواند تشخیص و درمان بیماری را با دقتی برابر و یا حتی بیشتر از پزشکان انجام دهد.
بسیاری از این یافته‌ها بر اساس تجزیه و تحلیل تصاویر رادیولوژیک است، اگرچه برخی از آن‌ها از تصاویر دیگری مانند اسکن شبکیه یا درمان دقیق مبتنی بر ژنومیک هستند.
از آنجا که این نوع یافته‌ها مبتنی بر مدل‌های آماری مبتنی بر یادگیری ماشین هستند، دوره‌ای از پزشکی مبتنی بر شواهد و احتمالات را آغاز می‌کنند که به طور کلی مثبت تلقی می‌شود. اما از منظر اصول اخلاقی پزشکی و در واقع رابطه‌ی بین بیمار و پزشک چالش‌های بسیاری با خود به همراه می‌آورد.
شرکت‌های تکنولوژیک و استارت‌آپ‌ها نیز مجدانه روی این مسائل کار می‌کنند. به عنوان مثال، گوگل برای ساخت مدل‌های پیش‌بینی از طریق ابرداده‌ها به منظور هشدار دادن به پزشکان در مورد بیماری‌های پرخطر مانند سپسیس و نارسایی قلبی با شبکه‌های ارائه‌دهنده‌ی خدمات سلامتی همکاری می‌کند.
گوگل و انلایتیک و بسیاری از استارت‌آپ‌های دیگر در حال توسعه‌ی الگوریتم‌های تفسیریِ برگرفته از هوش مصنوعی هستند. شرکت جی‌ویون (پلتفرم هوش مصنوعی برای خدمات درمانی) یک ماشین موفق بالینی ارائه داده است که بیمارانی که بیشتر در معرض خطر هستند و همچنین افرادی که احتمال واکنش به پروتکل‌های درمانی دارند را شناسایی کند. هر یک از این استارت‌آپ‌ها می‌توانند پشتیبانِ تصمیم‌گیری برای پزشکانی باشند که می‌خواهند بهترین تشخیص را داشته‌باشند و بهترین درمان برای بیماری‌ها را بیابند.
همچنین شرکت‌هایی وجود دارند که به طور خاص بر روی مشخصات، ویژگی‌ها و توصیه‌های درمانی برای برخی از سرطان‌ها، بر اساس مشخصات ژنتیکی‌ای که دارند تمرکز نموده‌اند. از آنجایی که اغلب سرطان‌ها پایه و اساسی ژنتیکی دارند، درک همه‌ی گونه‌های سرطانی و واکنش‌شان به دارو‌ها و دستورالعمل‌های جدید برای پزشکان بالینی به طور روزافزونی پیچیده‌تر شده است. شرکت‌های نظیر «Foundation Medicine» و «Flatiron Health»، هر دو متعلق به کمپانی «Roche» در این زمینه‌های متخصص هستند.
هم کسانی که خدمات مراقبتی ارائه می‌دهند و هم کسانی که مشتری این خدمات هستند از مدل‌های یادگیری ماشین «سلامت جمعیت» برای پیش‌بینی جمعیت در معرض خطر بیماری‌های خاص یا تصادفات یا پیش‌بینی بستری مجدد در بیمارستان استفاده می‌کنند. این مدل‌ها می‌توانند در پیش‌بینی مؤثر عمل کنند، اگرچه گاهی اوقات فاقد تمام داده‌های مربوطه نظیر وضعیت اقتصادی-اجتماعی بیمار هستند که ممکن است قابلیت پیش‌بینی را بهبود بخشد.
با این حال اعم از اینکه سیستم‌ها مبتنی بر قوانین باشند یا یادگیری ماشینی الگوریتم محور، توصیه‌های درمانی و تشخیصی مبتنی بر هوش مصنوعی در روند گردش کاری درمان‌های بالینی و سیستم‌های پرونده الکترونیکی سلامت چالش برانگیز است. چنین مسائلی که مربوط به ادغام سیستم‌های هوش مصنوعی در روند گردش کار و راه‌اندازی گسترده‌ی هوش مصنوعی است، مانع بزرگتری نسبت به هرگونه عدم توانایی در ارائه‌ی توصیه‌های دقیق و مؤثر توسط سیستم‌های هوش مصنوعی بوده است.
همچنین بسیاری از قابلیت‌های هوش مصنوعی برای تشخیص و درمان که توسط شرکت‌های فنآوری مختلف ارائه می‌شوند، ماهیت مستقلی دارند و فقط یک جنبه‌ی واحد از مراقبت را در بر می‌گیرند. برخی از فروشندگان پرونده الکترونیکی سلامت شروع به جاسازی عملکرد‌های محدودی از هوش مصنوعی در پیشنهادات خود کرده‌اند، اما این امر هنوز در مراحل اولیه است. ارائه‌دهندگان یا باید بر پروژه‌هایی که به شکل قابل‌توجهی ادغام‌پذیر هستند، تمرکز کنند یا اینکه منتظر بمانند تا فروشندگان پرونده‌ی الکترونیکی سلامت «EHR» قابلیت‌های هوش مصنوعی بیشتری به سیستم‌های‌شان بیافزایند.
برنامه‌های مشارکت و پایبندی بیمار در درمان
از مدت‌ها قبل مشارکت و پایبندی بیمار به عنوان آخرین مرحله‌ی مشکل‌ساز و مانع نهایی در خدمات درمانی قلمداد شده است. هرچه بیماران فعالانه‌تر در بهزیستی و مراقبت از خود مشارکت کنند و در این امور کوشا باشند، نتایج بهتری به دست می‌آید. عوامل این مشارکت بیش از پیش و به طور فزاینده‌ای مورد توجهی ابر داده‌ها و هوش مصنوعی قرار گرفته است.
تأمبن‌کنندگان و بیمارستان‌ها معمولاً از تخصص بالینی خود در تهیه‌ی برنامه‌های مراقبتی‌ای بهره می‌برند که گمان می‌کنند سلامت یک بیمار مزمن یا حاد را بهبود خواهد بخشید. اینکه بیمار ضرورت سازگاری رفتاری با برنامه را درک نکند، مثلاً در مواردی که نیاز است کاهش وزن داشته باشد، نتواند وزنش را کاهش دهد یا وقت معاینه‌ش را پیگیرانه تعیین کند، نسخه‌هایش را منطبق با برنامه درمانی مصرف کند و به طور کلی برنامه‌های تعیین‌شده برای طول درمانش را دنبال نکند، مشکلی اساسی است.
در نظرسنجی که از بین بیش از ۳۰۰ لیدر بالینی و مدیران بهداشت و درمان انجام شد، بیش از ۷۰ درصد از پاسخ‌دهندگان اذعان داشتند که کمتر ۵۰ درصد از بیمارانشان در درمان مشارکت می‌کنند و ۴۲ درصد از پاسخ‌دهندگان اعلام کردند که کمتر ۲۵ درصد بیمارانشان کاملاً مشارکت دارند.
اگر مشارکت عمیق‌تر بیمار منجر به نتایج بهتری در درمان و سلامتی شود، آیا ظرفیت‌های هوش می‌تواند در شخصی‌سازی مراقبت مؤثر باشند؟ در همین راستا تاکید فزاینده‌ای بر استفاده از موتور‌های یادگیری ماشین و قوانین کسب و کار برای هدایت تداخلات متفاوت در طول درمان وجود دارد. هشدار‌های پیام‌رسانی و محتوای هدفمند مرتبط، که در لحظاتی باعث برانگیختن اقدامات مهمی می‌شود، باعث ایجاد زمینه‌ی امیدبخشی در تحقیقات شده است.
تمرکز فزاینده‌ی دیگری در خدمات درمانی بر طراحی مؤثر معماری انتخاب برای تغییر رفتار بیمار در مسیر پیش‌بینی‌شده‌ای بر اساس شواهد دنیای واقعی است. از طریق اطلاعات ارائه شده توسط سیستم‌های ارائه‌دهنده‌ی پرونده الکترونیکی سلامت، حسگر‌های زیستی، ساعت‌ها تلفن‌های هوشمند، رابط‌های مکالمه و سایر ابزار دقیق، نرم‌افزار می‌تواند با مقایسه‌ی داده‌های بیمار با سایر مسیر‌های درمانی مؤثر برای گروه‌های مشابه، توصیه‌ها را تنظیم کند. این توصیه‌ها را می‌توان به ارائه‌دهندگان، بیماران، پرستاران، عوامل مرکز تماس یا هماهنگ‌کننده‌های نهایی خدمات درمانی ارائه داد.
نرم‌افزار‌های مدیریتی
در زمینه خدمات درمانی نرم‌افزار‌های زیادی وجود دارد. در مقایسه با تشخیص و درمان بیمار، استفاده از هوش مصنوعی در حوزه مدیریتی تا حدودی انقلابی نیست، اما می‌تواند کارایی را به میزان قابل توجهی بالا ببرد. این نرم‌افزار‌ها در خدمات درمانی مورد نیاز هستند؛ چرا که به عنوان مثال، یک پرستار آمریکایی به طور متوسط ۲۵ ٪ از زمان کار خود را صرف فعالیت‌های مدیریتی و اداری می‌کند. فناوری که به احتمال زیاد با این هدف مرتبط است، اتوماسیون روباتیک فرایند است. اتوماسیون روباتیک فرایند یا RPA می‌تواند برای کاربرد‌های مختلفی در خدمات درمانی مورد استفاده قرار گیرد؛ از جمله مدیریت دعاوی، مستندسازی بالینی، مدیریت چرخه درآمد و مدیریت سوابق پزشکی.
برخی از سازمان‌های خدمات درمانی از ربات‌های سخنگو (چت‌بات‌ها) برای برقراری تماس با بیمار، مراقبت‌های سلامت روان، پیگیری روند بهبود بیمار و همچنین در زمینه پزشکی از راه دور، به صورت آزمایشی استفاده کرده‌اند. این برنامه‌های مبتنی بر پردازش زبان طبیعی (NLP)، ممکن است برای تراکنش‌های ساده مانند بازنویسی نسخه‌ها یا ترتیب دادن جلسات ویزیت مفید فایده باشند.
با این حال، در یک نظرسنجی صورت گرفته میان ۵۰۰ کاربر آمریکایی که از پنج ربات سخنگوی منتخب در زمینه خدمات درمانی استفاده می‌کردند، آمده است که بیماران در مورد امکان افشای اطلاعات خصوصی ابراز نگرانی کرده‌اند، در مورد پیچیده بودن شرایط بهبودی که در ربات‌ها طراحی شده بود، ناراضی بوده‌اند و قابلیت استفاده از این ربات‌ها را بسیار ضیعف اعلام کرده‌اند.
یکی دیگر از فناوری‌های هوش مصنوعی در ارتباط با مدیریت دعاوی و مدیریت پرداخت‌ها، یادگیری ماشینی است که می‌تواند در جهت تطبیق احتمالاتی داده‌های پایگاه‌های داده‌ای مختلف مورد استفاده قرار بگیرد.
بیمه‌ها وظیفه دارند صحت میلیون‌ها دعاوی را بررسی کنند. تشخیص قابلیت اعتبار، تجزیه و تحلیل و برطرف کردن مشکلات مربوط به برنامه‌نویسی و کدینگ و دعاوی غیرقابل قبول، از تمام ذینفعان مربوطه، مثل بیمه‌های درمانی، دولت‌ها و ارائه‌دهندگان خدمات محافظت می‌نماید و به مقدار زیادی در زمان، هزینه و انرژی صرفه‌جویی می‌کند.
